library(tidyverse)
library(sf)
library(tmap)
Sys.setenv(Language="En")
library(caret)
library(knitr)
DB <- read.csv('input/exposure_db.csv')
head(DB)
## Name NameK SGG X16_ex_str X16_ex_pop X16_ex_eco
## 1 Gangwon Gangneung-si 강원도 강릉시 42150 725 1921 24636.6
## 2 Gangwon Goseong-gun 강원도 고성군 42820 247 488 15654.0
## 3 Gangwon Donghae-si 강원도 동해시 42170 523 8262 52747.7
## 4 Gangwon Samcheok-si 강원도 삼척시 42230 908 1850 11112.1
## 5 Gangwon Sokcho-si 강원도 속초시 42210 343 3131 77903.5
## 6 Gangwon Yanggu-gun 강원도 양구군 42800 1151 6276 21232.9
## X17_ex_str X17_ex_pop X17_ex_eco
## 1 815 3777 26174.5
## 2 264 490 16331.1
## 3 590 8222 54345.4
## 4 1014 1880 11630.8
## 5 397 3117 81718.8
## 6 1317 6301 21965.7
연도별 확률밀도함수 침수구역내의 주택수에 대한 분포를 보면 0-500채 사이가 가장 높다
DB_s<- DB %>%
select(NameK, contains("str"))
DB_s_p <- DB_s %>% # pivoting
pivot_longer(c("X16_ex_str", "X17_ex_str"),
names_to = "year",
values_to = "house")
DB_s_p %>%
ggplot()+
geom_density(aes(x=house, y=..density.., color=year))
DB_s %>%
ggplot(aes(X16_ex_str))+
geom_histogram(bins=200)
outlier를 찾기 boxplot을 년도 별로 그려본다.
최대값은 서울의 값이며, 큰 값들의 영향을 조금 줄이는 효과를 보기 위해 z-score 보다는 min-max scaling(보통 normalizaiton이라고 하고,
경우에 따라 standardization이라고도 함)를 사용
DB_s_p %>%
ggplot(aes(year, house))+
geom_boxplot()
침수구역내 총건축물수
DB_s_p %>%
group_by(NameK) %>%
mutate(mean=mean(house))%>%
ggplot(aes(x=fct_reorder(NameK, mean),
y=house))+
geom_boxplot()+
coord_flip()
총건축물수가 적은 지역에 대한 분포 비교
DB_s_p %>%
group_by(NameK) %>%
mutate(mean=mean(house))%>%
filter(mean < 300) %>%
ggplot(aes(x=fct_reorder(NameK, mean),
y=house))+
geom_boxplot()+
coord_flip()
총건축물수가 많은 지역에 대한 분포 비교
인천광역시의 경우 침수구역내 총주택수가 적다. 제주특별자치도의 경우 침수구역내 총주택수가 많은 편에 속한다.(소하천때문??) 인천광역시의 경우 총주택수 (16년 2065 , 17년 2373채, 차이 308채 )
DB_s_p %>%
group_by(NameK) %>%
mutate(mean=mean(house))%>%
filter(mean > 10000) %>%
ggplot(aes(x=fct_reorder(NameK, mean),
y=house))+
geom_boxplot()+
coord_flip()
년도별 침수구역내 총주택수의 변화
총주택수가 2016년에 비해 2017년에 줄어든 것은 이지역의 재개발
로 이해 단독주택이 아파트로 바뀌어서 여러 객체가 하나의 객체로
인식된 것이 아닌지? check해볼 필요가 있다
DB_s %>%
mutate(dif=(X17_ex_str - X16_ex_str)) %>%
filter(NameK == "인천광역시")
## NameK X16_ex_str X17_ex_str dif
## 1 인천광역시 2065 2373 308
DB_s_dif <- DB_s%>%
mutate(dif=(X17_ex_str - X16_ex_str)) %>%
arrange(-dif)
knitr::kable(DB_s_dif[1:10, ]) # 침수구역내 총주택수가 늘어난 시군
| NameK | X16_ex_str | X17_ex_str | dif |
|---|---|---|---|
| 대구광역시 | 28122 | 29531 | 1409 |
| 경상남도 김해시 | 11082 | 11875 | 793 |
| 부산광역시 | 30457 | 31226 | 769 |
| 전라남도 나주시 | 7148 | 7891 | 743 |
| 경기도 안성시 | 4853 | 5574 | 721 |
| 충청남도 부여군 | 5117 | 5768 | 651 |
| 경상북도 영천시 | 4749 | 5377 | 628 |
| 전라북도 전주시 | 4378 | 4991 | 613 |
| 경상남도 창녕군 | 4529 | 5128 | 599 |
| 경상남도 양산시 | 5061 | 5650 | 589 |
knitr::kable(DB_s_dif[152:161, ]) # 침수구역내 총주택수가 줄어든 시군
| NameK | X16_ex_str | X17_ex_str | dif | |
|---|---|---|---|---|
| 152 | 충청북도 증평군 | 207 | 80 | -127 |
| 153 | 충청북도 청주시 | 582 | 447 | -135 |
| 154 | 충청북도 단양군 | 234 | 57 | -177 |
| 155 | 충청북도 제천시 | 331 | 143 | -188 |
| 156 | 충청북도 괴산군 | 587 | 101 | -486 |
| 157 | 충청북도 옥천군 | 838 | 216 | -622 |
| 158 | 충청북도 영동군 | 1480 | 659 | -821 |
| 159 | 충청북도 음성군 | 1476 | 610 | -866 |
| 160 | 충청북도 충주시 | 2964 | 2070 | -894 |
| 161 | 서울특별시 | 123572 | 121676 | -1896 |
DB_s_dif[1:10,]
## NameK X16_ex_str X17_ex_str dif
## 1 대구광역시 28122 29531 1409
## 2 경상남도 김해시 11082 11875 793
## 3 부산광역시 30457 31226 769
## 4 전라남도 나주시 7148 7891 743
## 5 경기도 안성시 4853 5574 721
## 6 충청남도 부여군 5117 5768 651
## 7 경상북도 영천시 4749 5377 628
## 8 전라북도 전주시 4378 4991 613
## 9 경상남도 창녕군 4529 5128 599
## 10 경상남도 양산시 5061 5650 589
DB_s_dif[152:161,]
## NameK X16_ex_str X17_ex_str dif
## 152 충청북도 증평군 207 80 -127
## 153 충청북도 청주시 582 447 -135
## 154 충청북도 단양군 234 57 -177
## 155 충청북도 제천시 331 143 -188
## 156 충청북도 괴산군 587 101 -486
## 157 충청북도 옥천군 838 216 -622
## 158 충청북도 영동군 1480 659 -821
## 159 충청북도 음성군 1476 610 -866
## 160 충청북도 충주시 2964 2070 -894
## 161 서울특별시 123572 121676 -1896
lattice test
regVar <- c("X16_ex_str", "X17_ex_str")
theme1 <- trellis.par.get()
theme1$plot.symbol$col = rgb(.2, .2, .2, .4)
theme1$plot.symbol$pch = 16
theme1$plot.line$col = rgb(1, 0, 0, .7)
theme1$plot.line$lwd <- 2
trellis.par.set(theme1)
featurePlot(x = DB[, regVar],
y = DB$SGG,
plot = "scatter",
layout = c(2, 1))
연도별 확률밀도함수 침수구역내의 인구수에 대한 분포
DB_p <- DB %>%
select(NameK, contains("pop"))
DB_p_p <- DB_p %>% # pivoting
pivot_longer(c("X16_ex_pop", "X17_ex_pop"),
names_to = "year",
values_to = "people")
DB_p_p %>%
ggplot()+
geom_density(aes(x=people, y=..density.., color=year))
DB_p %>%
ggplot(aes(X17_ex_pop))+
geom_histogram(bins=200)
침수구역내 총인구수
DB_p_p %>%
group_by(NameK) %>%
mutate(mean=mean(people))%>%
ggplot(aes(x=fct_reorder(NameK, mean),
y=people))+
geom_boxplot()+
coord_flip()
총인구수가 적은 지역에 대한 분포 비교
DB_p_p %>%
group_by(NameK) %>%
mutate(mean=mean(people))%>%
filter(mean < 300) %>%
ggplot(aes(x=fct_reorder(NameK, mean),
y=people))+
geom_boxplot()+
coord_flip()
총인구수가 많은 지역에 대한 분포 비교
DB_p_p %>%
group_by(NameK) %>%
mutate(mean=mean(people))%>%
filter(mean > 100000) %>%
ggplot(aes(x=fct_reorder(NameK, mean),
y=people))+
geom_boxplot()+
coord_flip()
침수구역내 총인구수의 변화
년도별 침수구역내 총인구수의 변화
DB_p %>%
mutate(dif=(X17_ex_pop - X16_ex_pop)) %>%
filter(NameK == "서울특별시")
## NameK X16_ex_pop X17_ex_pop dif
## 1 서울특별시 2232135 2234686 2551
DB_p_dif <- DB_p%>%
mutate(dif=(X17_ex_pop - X16_ex_pop)) %>%
arrange(-dif)
knitr::kable(DB_p_dif[1:10, ]) # 침수구역내 총인구가 늘어난 시군
| NameK | X16_ex_pop | X17_ex_pop | dif |
|---|---|---|---|
| 경상남도 김해시 | 52492 | 59241 | 6749 |
| 경상남도 양산시 | 78869 | 85180 | 6311 |
| 경기도 하남시 | 42058 | 47835 | 5777 |
| 경기도 화성시 | 9172 | 14688 | 5516 |
| 경상북도 경주시 | 18665 | 21654 | 2989 |
| 경기도 김포시 | 65355 | 68238 | 2883 |
| 서울특별시 | 2232135 | 2234686 | 2551 |
| 경기도 고양시 | 121590 | 123813 | 2223 |
| 강원도 강릉시 | 1921 | 3777 | 1856 |
| 경기도 이천시 | 19559 | 21316 | 1757 |
knitr::kable(DB_p_dif[152:161, ]) # 침수구역내 총인구가 줄어든 시군
| NameK | X16_ex_pop | X17_ex_pop | dif | |
|---|---|---|---|---|
| 152 | 전라북도 남원시 | 19618 | 19284 | -334 |
| 153 | 충청남도 공주시 | 10844 | 10428 | -416 |
| 154 | 경상남도 거제시 | 17442 | 16945 | -497 |
| 155 | 경상북도 구미시 | 16953 | 16429 | -524 |
| 156 | 경기도 구리시 | 54580 | 53934 | -646 |
| 157 | 전라남도 나주시 | 16601 | 15936 | -665 |
| 158 | 울산광역시 | 110906 | 110044 | -862 |
| 159 | 경상북도 포항시 | 79047 | 77208 | -1839 |
| 160 | 부산광역시 | 135091 | 132977 | -2114 |
| 161 | 경기도 광명시 | 183936 | 178982 | -4954 |
DB_p_dif[1:10,]
## NameK X16_ex_pop X17_ex_pop dif
## 1 경상남도 김해시 52492 59241 6749
## 2 경상남도 양산시 78869 85180 6311
## 3 경기도 하남시 42058 47835 5777
## 4 경기도 화성시 9172 14688 5516
## 5 경상북도 경주시 18665 21654 2989
## 6 경기도 김포시 65355 68238 2883
## 7 서울특별시 2232135 2234686 2551
## 8 경기도 고양시 121590 123813 2223
## 9 강원도 강릉시 1921 3777 1856
## 10 경기도 이천시 19559 21316 1757
DB_p_dif[152:161,]
## NameK X16_ex_pop X17_ex_pop dif
## 152 전라북도 남원시 19618 19284 -334
## 153 충청남도 공주시 10844 10428 -416
## 154 경상남도 거제시 17442 16945 -497
## 155 경상북도 구미시 16953 16429 -524
## 156 경기도 구리시 54580 53934 -646
## 157 전라남도 나주시 16601 15936 -665
## 158 울산광역시 110906 110044 -862
## 159 경상북도 포항시 79047 77208 -1839
## 160 부산광역시 135091 132977 -2114
## 161 경기도 광명시 183936 178982 -4954
lattice test
regVar <- c("X16_ex_pop", "X17_ex_pop")
theme1 <- trellis.par.get()
theme1$plot.symbol$col = rgb(.2, .2, .2, .4)
theme1$plot.symbol$pch = 16
theme1$plot.line$col = rgb(1, 0, 0, .7)
theme1$plot.line$lwd <- 2
trellis.par.set(theme1)
featurePlot(x = DB[, regVar],
y = DB$SGG,
plot = "scatter",
layout = c(2, 1))
연도별 확률밀도함수 침수구역내의 평균공시지가에 대한 분포
DB_e <- DB %>%
select(NameK, contains("eco"))
DB_e_p <- DB_e %>% # pivoting
pivot_longer(c("X16_ex_eco", "X17_ex_eco"),
names_to = "year",
values_to = "price")
DB_e_p %>%
ggplot()+
geom_density(aes(x=price, y=..density.., color=year))
DB_e %>%
ggplot(aes(X16_ex_eco))+
geom_histogram(bins=200)
침수구역내 평균공시지가
DB_e_p %>%
group_by(NameK) %>%
mutate(mean=mean(price))%>%
ggplot(aes(x=fct_reorder(NameK, mean),
y=price))+
geom_boxplot()+
coord_flip()
평균공시지가 작은 지역에 대한 분포 비교
DB_e_p %>%
group_by(NameK) %>%
mutate(mean=mean(price))%>%
filter(mean < 10000) %>% # 만원
ggplot(aes(x=fct_reorder(NameK, mean),
y=price))+
geom_boxplot()+
coord_flip()
평균공시지가가 큰 지역에 대한 분포 비교
DB_e_p %>%
group_by(NameK) %>%
mutate(mean=mean(price))%>%
filter(mean > 500000) %>% # 50만원
ggplot(aes(x=fct_reorder(NameK, mean),
y=price))+
geom_boxplot()+
coord_flip()
침수구역내 평균공시지가의 변화
년도별 침수구역내 평균공시지가의 변화
check할것-서울, 광명이 타 지역에 비해 너무 크다.?
check할것-인천광역시의 공시지가가 떨어졌는지???
DB_e %>%
mutate(dif=(X17_ex_eco - X16_ex_eco)) %>%
filter(NameK == "서울특별시")
## NameK X16_ex_eco X17_ex_eco dif
## 1 서울특별시 2993224 3137408 144183.5
DB_e_dif <- DB_p%>%
mutate(dif=(X17_ex_pop - X16_ex_pop)) %>%
arrange(-dif)
knitr::kable(DB_e_dif[1:10, ]) # 침수구역내 평균공시지가가 늘어난 시군
| NameK | X16_ex_pop | X17_ex_pop | dif |
|---|---|---|---|
| 경상남도 김해시 | 52492 | 59241 | 6749 |
| 경상남도 양산시 | 78869 | 85180 | 6311 |
| 경기도 하남시 | 42058 | 47835 | 5777 |
| 경기도 화성시 | 9172 | 14688 | 5516 |
| 경상북도 경주시 | 18665 | 21654 | 2989 |
| 경기도 김포시 | 65355 | 68238 | 2883 |
| 서울특별시 | 2232135 | 2234686 | 2551 |
| 경기도 고양시 | 121590 | 123813 | 2223 |
| 강원도 강릉시 | 1921 | 3777 | 1856 |
| 경기도 이천시 | 19559 | 21316 | 1757 |
knitr::kable(DB_e_dif[152:161, ]) # 침수구역내 평균공시지가가 줄어든 시군
| NameK | X16_ex_pop | X17_ex_pop | dif | |
|---|---|---|---|---|
| 152 | 전라북도 남원시 | 19618 | 19284 | -334 |
| 153 | 충청남도 공주시 | 10844 | 10428 | -416 |
| 154 | 경상남도 거제시 | 17442 | 16945 | -497 |
| 155 | 경상북도 구미시 | 16953 | 16429 | -524 |
| 156 | 경기도 구리시 | 54580 | 53934 | -646 |
| 157 | 전라남도 나주시 | 16601 | 15936 | -665 |
| 158 | 울산광역시 | 110906 | 110044 | -862 |
| 159 | 경상북도 포항시 | 79047 | 77208 | -1839 |
| 160 | 부산광역시 | 135091 | 132977 | -2114 |
| 161 | 경기도 광명시 | 183936 | 178982 | -4954 |
DB_e_dif[1:10,]
## NameK X16_ex_pop X17_ex_pop dif
## 1 경상남도 김해시 52492 59241 6749
## 2 경상남도 양산시 78869 85180 6311
## 3 경기도 하남시 42058 47835 5777
## 4 경기도 화성시 9172 14688 5516
## 5 경상북도 경주시 18665 21654 2989
## 6 경기도 김포시 65355 68238 2883
## 7 서울특별시 2232135 2234686 2551
## 8 경기도 고양시 121590 123813 2223
## 9 강원도 강릉시 1921 3777 1856
## 10 경기도 이천시 19559 21316 1757
DB_e_dif[152:161,]
## NameK X16_ex_pop X17_ex_pop dif
## 152 전라북도 남원시 19618 19284 -334
## 153 충청남도 공주시 10844 10428 -416
## 154 경상남도 거제시 17442 16945 -497
## 155 경상북도 구미시 16953 16429 -524
## 156 경기도 구리시 54580 53934 -646
## 157 전라남도 나주시 16601 15936 -665
## 158 울산광역시 110906 110044 -862
## 159 경상북도 포항시 79047 77208 -1839
## 160 부산광역시 135091 132977 -2114
## 161 경기도 광명시 183936 178982 -4954
lattice test
regVar <- c("X16_ex_eco", "X17_ex_eco")
theme1 <- trellis.par.get()
theme1$plot.symbol$col = rgb(.2, .2, .2, .4)
theme1$plot.symbol$pch = 16
theme1$plot.line$col = rgb(1, 0, 0, .7)
theme1$plot.line$lwd <- 2
trellis.par.set(theme1)
featurePlot(x = DB[, regVar],
y = DB$SGG,
plot = "scatter",
layout = c(2, 1))
standard_log <- function(x){
return((log(x,base=10)-min(log(x,base=10)))/(max(log(x,base=10))-min(log(x,base=10))))
}
# 연도별 데이터 프레임에 정규화 적용
exposure <- as.data.frame(lapply(DB[,4:9],standard_log))
exposure <- cbind(DB[,1:3], exposure)
colnames(exposure)[4:9] <- c("X16_ex_str_log", "X16_ex_pop_log", "X16_ex_eco_log",
"X17_ex_str_log", "X17_ex_pop_log", "X17_ex_eco_log")
# 16년~17년 Exposure 지수 산정
ex_index_16 <- as.data.frame((rowSums(exposure[,4:6]))/3)
colnames(ex_index_16) <- c("X16_ex_index")
ex_index_17 <- as.data.frame((rowSums(exposure[,7:9]))/3)
colnames(ex_index_17) <- c("X17_ex_index")
exposure <- cbind(exposure, c(ex_index_16,ex_index_17))
# Exposure 지수 표준화 함수 설정
standard <- function(x){
return((x-min(x))/(max(x)-min(x)))
}
# 연도별 Exposure 지수 표준화 산정
result <- as.data.frame(lapply(exposure[,10:11],standard))
colnames(result) <- c("X16_exposure", "X17_exposure")
result <- cbind(DB[,1:3], result)
# 시군 shp 파일 불러오기
library(sf)
analysis <- st_read("input/analysis.shp")
## Reading layer `analysis' from data source `C:\00_R\0_Git\KRM_inha\input\analysis.shp' using driver `ESRI Shapefile'
## Simple feature collection with 161 features and 3 fields
## geometry type: MULTIPOLYGON
## dimension: XY
## bbox: xmin: 746109.3 ymin: 1458771 xmax: 1387956 ymax: 2068444
## epsg (SRID): NA
## proj4string: +proj=tmerc +lat_0=38 +lon_0=127.5 +k=0.9996 +x_0=1000000 +y_0=2000000 +ellps=GRS80 +units=m +no_defs
# 폴리곤 에러 체크(기본 파일을 에러 수정한 파일로 변경하였음)
#st_is_valid(analysis)
#library(lwgeom)
#analysis <- st_make_valid(analysis)
st_is_valid(analysis)
## [1] TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE
## [16] TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE
## [31] TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE
## [46] TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE
## [61] TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE
## [76] TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE
## [91] TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE
## [106] TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE
## [121] TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE
## [136] TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE
## [151] TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE
# shp파일에 연도별 Exposure 지수(표준화 적용) 추가
library(dplyr)
analysis <- right_join(analysis, result[,3:5])
## Joining, by = "SGG"
# 폴리곤 단순화
library(tmap)
analysis_simp <- st_simplify(analysis, dTolerance = 50)
# 결과 확인
tmap_mode("plot")
## tmap mode set to plotting
breaks = c(0, 0.2, 0.4, 0.6, 0.8, 1)
facets=c("X16_exposure", "X17_exposure")
tm_shape(analysis_simp)+
tm_polygons(facets,
breaks=breaks,
palette = c("green", "greenyellow", "yellow", "orange", "red"),
legend.reverse = TRUE)+
tm_facets(ncol = 2)+
tm_layout(legend.position = c("right", "bottom"))+
tm_compass(type = "rose", position = c("right", "top"), size = 2.5)+
tm_scale_bar(breaks = c(0, 25, 50, 100, 150, 200), position = c("left", "bottom"))
######################
library(leaflet)
library(rgdal)
## Loading required package: sp
## Warning: package 'sp' was built under R version 3.6.3
## rgdal: version: 1.4-8, (SVN revision 845)
## Geospatial Data Abstraction Library extensions to R successfully loaded
## Loaded GDAL runtime: GDAL 2.2.3, released 2017/11/20
## Path to GDAL shared files: C:/Users/Kyungtak Kim/Documents/R/win-library/3.6/rgdal/gdal
## GDAL binary built with GEOS: TRUE
## Loaded PROJ.4 runtime: Rel. 4.9.3, 15 August 2016, [PJ_VERSION: 493]
## Path to PROJ.4 shared files: C:/Users/Kyungtak Kim/Documents/R/win-library/3.6/rgdal/proj
## Linking to sp version: 1.3-2
library(htmltools)
a <- st_transform(analysis_simp, 4326)
pal <- colorBin(
palette=c("green", "greenyellow", "yellow", "orange", "red"),
domain=NULL,
bins = c(0, .2, .4, .6, 0.8, 1),
pretty = FALSE)
leaflet(a) %>%
setView(lng = 128, lat = 35.9, zoom = 7) %>%
# base groups
addPolygons(color = ~pal(X16_exposure),
weight = 1,
smoothFactor = 0.5,
opacity = 1.0,
fillOpacity = 0.5,
label = ~htmlEscape(NameK),
popup = ~htmlEscape(X16_exposure),
highlightOptions = highlightOptions(
color = "white", weight = 2,
bringToFront = TRUE),
group="Exposure 2016") %>%
addPolygons(color = ~pal(X17_exposure),
weight = 1,
smoothFactor = 0.5,
opacity = 1.0,
fillOpacity = 0.5,
label = ~htmlEscape(NameK),
popup = ~htmlEscape(X17_exposure),
highlightOptions = highlightOptions(
color = "white", weight = 2,
bringToFront = TRUE),
group="Exposure 2017") %>%
#overlay groups
addProviderTiles(providers$Esri.WorldStreetMap,
group="Esri") %>%
addLegend("bottomright", pal = pal, values = ~X17_exposure,
title = "Exposure Index",
labFormat = labelFormat(digits=10),
opacity = 1) %>%
#Layer controls
addLayersControl(
baseGroups = c("Exposure 2016", "Exposure 2017"),
overlayGroups = c("Esri"),
options=layersControlOptions(collapsed=FALSE)
)
#############################
# 결과값 저장
write.csv(result, 'output/exposure_result.csv', row.names = F)
# 열 명칭별 의미
# Name : 161개 시군별 영문명
# NameK : 161개 시군별 한글명
# SGG : 시군구 코드
# X16_ex_str : 16년도 총 건축물수(개)
# X17_ex_str : 17년도 총 건축물수(개)
# X16_ex_pop : 16년도 총 인구수(명)
# X17_ex_pop : 17년도 총 인구수(명)
# X16_ex_eco : 16년도 평균공시지가(원/m2)
# X17_ex_eco : 17년도 평균공시지가(원/m2)
# X16_ex_str_log : 16년도 총 건축물수(log 표준화 적용)
# X17_ex_str_log : 17년도 총 건축물수(log 표준화 적용)
# X16_ex_pop_log : 16년도 총 인구수(log 표준화 적용)
# X17_ex_pop_log : 17년도 총 인구수(log 표준화 적용)
# X16_ex_eco_log : 16년도 평균공시지가(log 표준화 적용)
# X17_ex_eco_log : 17년도 평균공시지가(log 표준화 적용)
# X16_ex_index : 16년도 Exposure 지수
# X17_ex_index : 17년도 Exposure 지수
# X16_exposure : 16년도 Exposure 지수(표준화 적용)
# X17_exposure : 17년도 Exposure 지수(표준화 적용)